عنوان انگلیسی: Impact of real-time traffic characteristics on crash occurrence: Preliminary results of the case of rare events
سال نشر: ۲۰۱۹
نویسنده: Athanasios Theofilatos,George Yannis,Pantelis Kopelias,Fanis Papadimitriou
تعداد صفحه فارسی: ۱۴ – تعداد صفحه انگلیسی: ۹
دانشگاه: University of Thessaly, Department of Civil Engineering, Pedion Areos, Volos, GR38334, Greece,National Technical University of Athens, Department of Transportation Planning and Engineering, 5 Heroon Polytechniou str., Athens, GR15773, Greece,Attica Tollway Operations Authority – Attikes Diadromes S.A., 41.9 km Attiki Odos Motorway, Paiania, GR19002, Greece
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی
چکیده
تلاش‌های قابل‌توجهی از سوی محققان و سیاست گذاران به منظور توضیح وقوع تصادف جاده‌ای و بهبود عملکرد ایمنی راه‌ها انجام شده‌است. با این حال، مواردی وجود دارند که تصادفات در آن بسیار کم هستند که آن‌ها را می توان به عنوان رویدادهای نادر در نظر گرفت. در چنین مواردی، متغیر وابسته به دودویی، با ده‌ها هزار برابر حوادث کم‌تر (تصادفات)نسبت به غیر رویدادها (حوادث غیر تصادفات)مشخص می‌شود. در این مقاله تلاش می شود با استفاده از داده های ترافیکی بلادرنگ و با پیشنهاد یک چارچوب که توسط مدل های آماری مناسب (اصلاح خطا و روش فریت) برای غلبه بر مشکلات ایجاد شده در زمانیکه تعداد تصادفات بسیار کم است، به دانش فعلی اضافه کند. براساس این رویکرد، به جای استفاده از روش‌های رگرسیون لجستیک سنتی، تصادفات به عنوان رویدادهای نادر در نظر گرفته می‌شوند. برای نشان دادن این رویکرد، داده های ترافیکی از سه آشکارساز حلقه تصادفی در آتلانتیک آتیک (Attiki Odos) واقع در منطقه ی آتن یونان برای دوره ۲۰۰۸-۲۰۱۱ گرفته شده اند. مجموعه داده‌های ترافیکی شامل داده‌های ترافیکی ساعتی متراکم مانند جریان، اشغال، سرعت متوسط و درصد کامیون‌ها
Abstract
Considerable efforts have been made from researchers and policy makers in order to explain road crash occurrence and improve road safety performance of highways. However, there are cases when crashes are so few that they could be considered as rare events. In such cases, the binary dependent variable is characterized by dozens to thousands of times fewer events (crashes) than non-events (non-crashes). This paper attempts to add to the current knowledge by investigating crash likelihood by utilizing real-time traffic data and by proposing a framework driven by appropriate statistical models (Bias Correction and Firth method) in order to overcome the problems that arise when the number of crashes is very low. Under this approach instead of using traditional logistic regression methods, crashes are considered as rare events In order to demonstrate this approach, traffic data were collected from three random loop detectors in the Attica Tollway (“Attiki Odos”) located in Greater Athens Are
محصولات مشابه
امتیاز شما:
(No Ratings Yet)
(No Ratings Yet)